"Deep learning": una evaluación crítica
Tal vendría a ser la traducción del título de este artículo con el que, mentándolo, hago contrapeso a opiniones enlatadas con sabor a gominola.
Por no dejarlo todo en dos líneas, enumero aquí los diez mayores retos (¿problemas?) que encuentra hoy en día el autor en el deep learning:
- Que necesita demasiados datos
- Que apenas tiene capacidad de transferencia (i.e., de trasladar lo aprendido en un contexto a otro)
- Que no sabe gestionar sistemas jerárquicos
- Que no es bueno infiriendo
- Que no es lo suficientemente transparente (en este punto cita, por supuesto, a nuestra autora favorita, Catherine O’Neill)
- No usa conocimiento previo (¡uh, uh, bayesianos!)
- No distingue correlación y causalidad (¿y quién sí?)
- Presume un mundo estable, inmutable
- Funciona bien como aproximación, pero no es enteramente fiable
- Plantea problemas de ingeniería, de integración con otros componentes para crear sistemas
